Dino Reinforcement Learning offre une boîte à outils complète pour entraîner un agent IA à jouer au jeu de dinosaure de Chrome via reinforcement learning. En s'intégrant avec une instance Chrome sans interface via Selenium, il capture en temps réel les frames du jeu et les traite en représentations d'état optimisées pour les entrées du réseau Q profond. Le framework comprend des modules pour la mémoire de rejouement, l'exploration epsilon-greedy, des modèles de réseaux neuronaux convolutifs, et des boucles d'entraînement avec des hyperparamètres personnalisables. Les utilisateurs peuvent suivre la progression de l'entraînement via des logs en console et sauvegarder des checkpoints pour une évaluation ultérieure. Après l'entraînement, l'agent peut être déployé pour jouer en direct de manière autonome ou être testé contre différentes architectures de modèles. Son design modulaire permet une substitution facile des algorithmes RL, faisant de cette plateforme un environnement de experimentation flexible.

Ce bootcamp couvre le cadre LangChain de bout en bout, vous permettant de créer des agents IA en Python. Vous explorerez les modèles de prompt, la composition de chaînes, l'outilage d'agents, la mémoire conversationnelle et la récupération de documents. Grâce à des notebooks interactifs et des exercices détaillés, vous implémenterez des chatbots, des workflows automatisés, des systèmes de questions-réponses et des chaînes d'agents personnalisés. À la fin du cours, vous saurez déployer et optimiser des agents basés sur LangChain pour diverses tâches.

mini-agi est conçu pour simplifier la création d’agents IA autonomes en fournissant un cadre minimal et modulaire. Écrit en Python, il exploite les modèles linguistiques d’OpenAI pour interpréter des objectifs de haut niveau, les décomposer en sous-tâches, et orchestrer des appels d’outils comme des requêtes HTTP, des opérations sur fichiers ou des actions personnalisées. Le cadre comprend un stockage mémoire pour suivre l’état et les résultats de l’agent, un module de planification pour la décomposition des tâches avec des heuristiques basées sur le coût, et un module d’exécution qui appelle en séquence les outils. Avec des fichiers de configuration, les utilisateurs peuvent injecter des outils personnalisés, définir des modèles d’invite et ajuster la profondeur de planification. La structure légère de mini-agi en fait un outil idéal pour les prototypes d’agents IA effectuant des recherches, automatisant des flux de travail, ou générant du code de manière autonome.

Ce dépôt fournit un cadre complet d'apprentissage par renforcement pour la recherche sur le gameplay de StarCraft II. L'agent principal utilise la Proximal Policy Optimization (PPO) pour apprendre des réseaux de politiques interprétant les données d'observation de l'environnement PySC2 et générant des actions précises dans le jeu. Les développeurs peuvent configurer les couches de réseaux neuronaux, la reformulation des récompenses et les plannings d'entraînement pour optimiser la performance. Le système supporte la collecte d'échantillons en multiprocessing pour plus d'efficacité, des outils de journalisation pour suivre les courbes d'entraînement, et des scripts d'évaluation pour tester les politiques entraînées contre des adversaires scriptés ou IA intégrée. Le code est écrit en Python et utilise TensorFlow pour la définition et l'optimisation des modèles. Les utilisateurs peuvent étendre des composants tels que les fonctions de récompense personnalisées, le pré-traitement des états ou les architectures de réseaux pour répondre à leurs objectifs de recherche spécifiques.